論文の概要: Zero Shot Learning for Predicting Energy Usage of Buildings in
Sustainable Design
- arxiv url: http://arxiv.org/abs/2202.05206v1
- Date: Thu, 10 Feb 2022 18:08:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 18:22:03.086122
- Title: Zero Shot Learning for Predicting Energy Usage of Buildings in
Sustainable Design
- Title(参考訳): 耐久設計における建物エネルギー利用予測のためのゼロショット学習
- Authors: Arun Zachariah, Praveen Rao, Brian Corn, Dominique Davison
- Abstract要約: 2030年の挑戦は、2030年までにすべての新しい建物と大規模な改修をカーボン中立にすることを目的としている。
建築要素が建築のエネルギー利用にどのように貢献するかを理解することが重要である。
予測精度を向上させるために、AIベースのソリューションにリッチなトレーニングデータセットが必要である。
- 参考スコア(独自算出の注目度): 2.929237637363991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The 2030 Challenge is aimed at making all new buildings and major renovations
carbon neutral by 2030. One of the potential solutions to meet this challenge
is through innovative sustainable design strategies. For developing such
strategies it is important to understand how the various building factors
contribute to energy usage of a building, right at design time. The growth of
artificial intelligence (AI) in recent years provides an unprecedented
opportunity to advance sustainable design by learning complex relationships
between building factors from available data. However, rich training datasets
are needed for AI-based solutions to achieve good prediction accuracy.
Unfortunately, obtaining training datasets are time consuming and expensive in
many real-world applications. Motivated by these reasons, we address the
problem of accurately predicting the energy usage of new or unknown building
types, i.e., those building types that do not have any training data. We
propose a novel approach based on zero-shot learning (ZSL) to solve this
problem. Our approach uses side information from building energy modeling
experts to predict the closest building types for a given new/unknown building
type. We then obtain the predicted energy usage for the k-closest building
types using the models learned during training and combine the predicted values
using a weighted averaging function. We evaluated our approach on a dataset
containing five building types generated using BuildSimHub, a popular platform
for building energy modeling. Our approach achieved better average accuracy
than a regression model (based on XGBoost) trained on the entire dataset of
known building types.
- Abstract(参考訳): 2030年の挑戦は、2030年までに新しい建物と大きな改修をカーボン中立にすることを目的としている。
この課題を満たす潜在的な解決策の1つは、革新的な持続可能な設計戦略である。
このような戦略を開発するためには,建築のエネルギー利用に様々な要因がどう貢献するかを理解することが重要である。
近年の人工知能(AI)の成長は、利用可能なデータから構築要素間の複雑な関係を学習することで、持続可能な設計を進める前例のない機会を提供する。
しかし、予測精度を向上させるためにAIベースのソリューションには、豊富なトレーニングデータセットが必要である。
残念ながら、多くの現実世界のアプリケーションでは、トレーニングデータセットを取得するのに時間がかかり、コストがかかる。
これらの理由により、新しい建築タイプや未知の建築タイプ、すなわち、トレーニングデータを持たない建築タイプのエネルギー使用量を正確に予測する問題に対処する。
本稿では,ゼロショット学習(ZSL)に基づく新しい手法を提案する。
提案手法では, エネルギーモデルの専門家によるサイド情報を用いて, ビルタイプに最も近い建物タイプを推定する。
学習中に学習したモデルを用いてk-クローズドビルのエネルギー使用量を予測し,重み付き平均関数を用いて予測値を合成する。
エネルギーモデリングのための一般的なプラットフォームであるBuildSimHubを用いて,5つのビルディングタイプを含むデータセットに対するアプローチを評価した。
我々の手法は、既知のビルディングタイプのデータセット全体に基づいてトレーニングされた回帰モデル(XGBoostに基づく)よりも平均精度が向上した。
関連論文リスト
- Digital Twin for Grey Box modeling of Multistory residential building
thermal dynamics [1.0987093127987972]
北ヨーロッパでは、暖房エネルギーだけで全体のエネルギー消費の70%を占める。
本研究では,建築熱力学のグレーボックスモデリングを容易にするアーキテクチャを提案する。
このアーキテクチャは、デジタルツインプラットフォームを作成するケーススタディで検証されている。
論文 参考訳(メタデータ) (2024-02-05T11:25:42Z) - The Forecastability of Underlying Building Electricity Demand from Time
Series Data [1.3757257689932039]
ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。
建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。
このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
論文 参考訳(メタデータ) (2023-11-29T20:47:47Z) - Serving Deep Learning Model in Relational Databases [72.72372281808694]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL-Centricアーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF-Centricアーキテクチャは、データベースシステム内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
potentialRelation-Centricアーキテクチャは、演算子による大規模テンソル計算を表現することを目的としている。
論文 参考訳(メタデータ) (2023-10-07T06:01:35Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳(メタデータ) (2023-08-24T16:20:00Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳(メタデータ) (2023-07-05T18:16:30Z) - BuildingsBench: A Large-Scale Dataset of 900K Buildings and Benchmark
for Short-Term Load Forecasting [3.8489470606363514]
データ駆動の短期負荷予測(STLF)は、ビルディングの多様性の高い大規模データセットの欠如に悩まされている。
1)ビルディングス・ベンチ(ビルディングス・ベンチ) ビルビルズ・900K(ビルビルズ・900K) ビルビルズ・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルディングス・900K(ビルズ・ビルズ・ビルディングス・ビルディングス・ビルディングス・ビルディングス・ビルズ・ビルディングス) ビルズ・ビルズ・ビルズ・アンド・商業ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・ビルズ・
論文 参考訳(メタデータ) (2023-06-30T21:26:24Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳(メタデータ) (2023-01-04T05:19:33Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳(メタデータ) (2022-08-12T17:13:25Z) - eBIM-GNN : Fast and Scalable energy analysis through BIMs and Graph
Neural Networks [0.0]
建築情報モデリングは、建物のエネルギー効率を高めるだけでなく、分析にも使われてきた。
省エネの知識のない現在の都市では、エネルギー利用でスマートになるためのより良い方法が求められている。
提案手法は, 非常に効率的に一致し, 統計を生成できるプロトタイプビルを創出する手法である。
論文 参考訳(メタデータ) (2022-05-21T03:24:03Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳(メタデータ) (2021-06-14T02:40:32Z) - Times Series Forecasting for Urban Building Energy Consumption Based on
Graph Convolutional Network [20.358180125750046]
建設業はアメリカにおけるエネルギー消費の40%以上を占めている。
UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。
データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
論文 参考訳(メタデータ) (2021-05-27T19:02:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。